بناء مجموعات من استراتيجيات التداول انطلاقًا من حالات السوق المصنفة

الملخص

يصف المستند بناء الاستراتيجيات عبر تصنيف حالات السوق بدلًا من التنبؤ المباشر بالأسعار أو العوائد. وتحدد التسميات الحالات، وتُختار خصائص السوق مثل المتوسطات المتحركة لقدرتها على التمييز بين تلك التسميات. وتتنبأ شبكة عصبية مستقلة بكل تسمية انطلاقًا من الخصائص، وتُخرج احتمالات الشراء أو البيع؛ ثم تُجمع التوصيات خطيًا لتكوين استراتيجيات مرشحة.

لاختيار الاستراتيجيات ضمن مجموعات، ينشئ المؤلفون درجة تستند إلى العوائد التاريخية وتعاقب أيضًا الاستراتيجيات ذات الصفقات القليلة أو رأس المال المحدود المستخدم. ويذكرون أن المجموعات المبنية من الاستراتيجيات الأعلى تقييمًا تتفوق على المقارنات الفردية في العوائد والعوائد المعدلة حسب المخاطر خارج العينة على البيتكوين. كما يجدون ارتباطًا بين الدرجة التاريخية المخصصة والنجاح المستقبلي. ويشير المستند إلى أن بعض الاستراتيجيات المرشحة قد تكون مضللة، لكنه لا يذكر تواريخ العينات أو تفاصيل المعايير المرجعية أو افتراضات التكاليف أو النتائج الرقمية. ولأن التسميات تُحسب باستخدام بيانات مستقبلية، تعتمد الطريقة على استبعاد تلك المعلومات من مدخلات المصنف وعملية التقييم؛ ولا يشرح الملخص إجراءات الحماية هذه.

الأفكار الرئيسية

• تصنف الطريقة حالات السوق المحددة بالتسميات بدلًا من التنبؤ بالعوائد مباشرة.
• تُختار الخصائص لقدرتها على الفصل بين تسميات الحالات.
• تنتج المصنفات بالشبكات العصبية احتمالات الشراء أو البيع التي تُجمع في استراتيجيات.
• تعاقب درجة تاريخية مخصصة انخفاض نشاط التداول ومحدودية رأس المال المستخدم.
• يُقال إن مجموعات البيتكوين تفوقت على المقارنات المذكورة خارج العينة، مع غياب تفاصيل التنفيذ.

الوسوم

# Constructing trading strategy ensembles by classifying market states


# Constructing trading strategy ensembles by classifying market states









Rather than directly predicting future prices or returns, we follow a more recent trend in asset management and classify the state of a market based on labels. We use numerous standard labels and even construct our own ones. The labels rely on future data to be calculated, and can be used a target for training a market state classifier using an appropriate set of market features, e.g. moving averages. The construction of those features relies on their label separation power. Only a set of reasonable distinct features can approximate the labels. For each label we use a specific neural network to classify the state using the market features from our feature space. Each classifier gives a probability to buy or to sell and combining all their recommendations (here only done in a linear way) results in what we call a trading strategy. There are many such strategies and some of them are somewhat dubious and misleading. We construct our own metric based on past returns but penalising for a low number of transactions or small capital involvement. Only top score-performance-wise trading strategies end up in final ensembles. Using the Bitcoin market we show that the strategy ensembles outperform both in returns and risk-adjusted returns in the out-of-sample period. Even more so we demonstrate that there is a clear correlation between the success achieved in the past (if measured in our custom metric) and the future.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.